Peningkatan Mutu Citra

Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial Dr. Aniati Murni (R.1202) Dina Chahyati, M.Kom (R.1226) Universitas Indonesia DC - OKT 2003

1

Tujuan Peningkatan Mutu Citra „ „

„

Sumber Pustaka: Gonzalez, Bab 4 Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu. Kata baik disini tergantung pada jenis aplikasi dan problem yang dihadapi. DC - OKT 2003

2

Jenis Teknik Peningkatan Mutu Citra „

Teknik peningkatan mutu citra dapat dibagi menjadi dua: „

Peningkatan mutu citra pada domain spasial „ „

„

Point Processing Mask Processing

Peningkatan mutu citra pada domain frekuensi DC - OKT 2003

3

Lingkup Pembahasan Image Enhancement Spatial Domain I. Point Processing

II. Mask Processing

Frequency Domain …(next week)

a. Image Negative b. Contrast Stretching c. Histogram Equalization - all grey level and all area - specific grey level (histogram specification) - local enhancement (specific part of the image) d. Image Subtracting e. Image Averaging DC - OKT 2003

4

I. Point Processing „

„

Cara paling mudah untuk melakukan peningkatan mutu pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan) Pengolahan menggunakan histogram juga termasuk dalam bagian point processing DC - OKT 2003

5

Ia. Image Negative „

„

Mengubah nilai grey-level piksel citra input dengan: Gbaru = 255 - Glama Hasilnya seperti klise foto

DC - OKT 2003

6

Aplikasi Penginderaan Jarak Jauh (Sumber: Murni, 1997)

Citra Optik Citra SAR (Sumber: Bakosurtanal RI)

7

Ib. Contrast Stretching „

„ „

„

Mengubah kontras dari suatu image dengan cara mengubah greylevel pikselpiksel pada citra menurut fungsi s = T(r) tertentu r1 ≤ r2, s1 ≤ s2 r1 = r2, s1 = s2 Æ tidak ada perubahan r1 = r2, s1 = 0, s2 = 255 Æ tresholding menjadi citra biner dengan ambang r1 DC - OKT

255 (r2,s2) s

T(r) (r1,s1) 0

2003

r

255

8

Contoh Contrast Stretching

DC - OKT 2003

9

Contrast Stretching „

„ „ „

Fungsi lain yang baik digunakan adalah: fout = (fin – a) * b a = min(fin) b = 255 / (max(fin) – min(fin)) Citra masukan yang grey level nya tidak penuh dari 0 – 255 (low constrast) diubah menjadi citra yang grey level nya berkisar dari 0 – 255 (high contrast) DC - OKT 2003

10

Ic. Histogram Equalization „ „

Histogram: diagram yang menunjukkan jumlah kemunculan grey level (0-255) pada suatu citra Histogram processing:

Gambar gelap: histogram cenderung ke sebelah kiri „ Gambar terang: histogram cenderung ke sebelah kanan „ Gambar low contrast: histogram mengumpul di suatu tempat „ Gambar high contrast: histogram merata di semua tempat Æ Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah „

DC - OKT 2003

11

Ic. Histogram Equalization in all grey level and all area (1) „

„

Ide: mengubah pemetaan greylevel agar sebarannya (kontrasnya) lebih menyebar pada kisaran 0-255 Sifat: „

„

„

Grey level yang sering muncul lebih dijarangkan jaraknya dengan grey level sebelumnya Grey level yang jarang muncul bisa lebih dirapatkan jaraknya dengan grey level sebelumnya Histogram baru pasti mencapai nilai maksimal keabuan (contoh: 255) DC - OKT 2003

12

Ic. Histogram Equalization in all grey level and all area (2) - mengubah pemetaan grey level pada citra, dengan rumus: k

nj

j =0

n

sk = T (rk ) = ∑

k

= ∑ p(rj ) j =0

0 ≤ rk ≤ 1 dan k = 0,1,....., L − 1 L adalah grey level maksimal yang ada pada citra

DC - OKT 2003

13

Ic. Histogram Equalization in all grey level and all area (3) „

Citra Akhir: 19 9 95 95 9 55 91 5 55 5 9 10 10 1

Citra awal: 35554 54544 53444 45663

„

„

Contoh : citra dengan derajat keabuan hanya berkisar 0-10

Derajat Keabuan

0

1

2

3

4

5

6

7

8

9

10

Kemunculan

0

0

0

3

8

7

2

0

0

0

0

Probabilitas Kemunculan

0

0

0

0.15

0.40

0.35

0.1

0

0

0

0

Sk

0

0

0

0.15

0.55

0.90

1

1

1

1

1

SK * 10

0

0

0

1.5

5.5

9

10

10

10

10

10

Derajat keabuan baru

0

0

0

1

5

9

10

10

10

10

10

DC - OKT 2003

14

Ic. Histogram Equalization specific grey level (hist. specification) „

Histogram equalization tidak dilakukan pada seluruh bagian dari histrogram tapi hanya pada bagian tertentu saja DC - OKT 2003

15

Ic. Histogram Equalization specific area (local enhancement) „

Histogram equalization hanya dilakukan pada bagian tertentu dari citra

DC - OKT 2003

16

Ic. Histogram Equalization specific area (local enhancement) Histogram equalization menggunakan jendela 7x7

DC - OKT 2003

17

Id. Image Substraction „

Dilakukan jika kita ingin mengambil bagian tertentu saja dari citra

-

= DC - OKT 2003

18

Aplikasi Kedokteran (Biomedik) (Sumber: Thesis S2 Kartono)

Thorax X-Ray

Standard Landmarks

Thorax Tissue 19

Ie. Image Averaging Dilakukan jika kita memiliki beberapa citra yang bergambar sama, namun semua citra memiliki noise (gangguan) Noise satu citra berbeda dengan noise citra lainnya (tidak berkorelasi) Cara memperbaikinya adalah dengan melakukan operasi ratarata terhadap semua citra tersebut DC - OKT 2003

20

II. Mask Processing (1) „

„

Jika pada point processing kita hanya melakukan operasi terhadap masing-masing piksel, maka pada mask processing kita melakukan operasi terhadap suatu jendela ketetanggaan pada citra. Kemudian kita menerapkan (mengkonvolusikan) suatu mask terhadap jendela tersebut. Mask sering juga disebut

filter.

DC - OKT 2003

21

II. Mask Processing (2) 1 2 3 8 x 4 7 6 5

Contoh: Jendela ketetanggan 3x3, Nilai piksel pada posisi x dipengaruhi oleh nilai 8 tetangganya Æ Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhi oleh nilai tetangga-tetangganya DC - OKT 2003

22

II. Mask Processing (3) W1 W4 W7

W2 W5 W8

W3 W6 W9

Contoh sebuah mask berukuran 3x3. Filter ini akan diterapkan / dikonvolusikan pada setiap jendela ketetanggaan 3x3 pada citra (anggap filter sudah dalam bentuk terbalik)

G11 G12 G13 G14 G15 G21

G22 G23 G24 G25

G31 G32 G33 G34 G35

G22’ = w1 G11 + w2 G12 + w3 G13+ w4 G21 + w5 G22 + w6 G23 + w7 G31 + w8 G32 + w9 G33

G41 G42 G43 G44 G45 G51 G52 G53 G54 G55 DC - OKT 2003

23

II. Jenis-jenis filter spasial „

Smoothing filters: „

„

„

Lowpass filter (linear filter, mengambil nilai rata-rata) Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan)

Sharpening filters: „ „

Roberts, Prewitt, Sobel (edge detection) Highpass filter DC - OKT 2003

24

II. Contoh penerapan filter spasial 1 1/9 x 1 1

1 1 1

1 1 1

Average lowpass filter (a) Gambar Asli (b)-(f) hasil dari spatial lowpass filtering dengan ukuran mask 3,5,7,15,25 DC - OKT 2003

25

II. Contoh penerapan filter low pass dan median (a) Gambar asli (b) Gambar yang diberi noise (c) Hasil dari 5x5 lowpass average filtering (d) Hasil dari 5x5 median filtering DC - OKT 2003

26

II. Edge detection „

Pada suatu citra monokrom, suatu edge (sisi) dapat ditandai dengan adanya suatu

perbedaan intensitas

yang besar

DC - OKT 2003

27

II. Edge detection „

Bagaimana ‘mendeteksi’ perbedaan intensitas tersebut? „ Dengan mempertegas perbedaan (kalikan satu intensitas dengan nilai negatif, kemudian kalikan nilai positif pada intensitas lainnya) „ Kasus A: 2 bersisian dgn 100 (edge) Æ 2*(-1) + 100*(1)= 99 „ Kasus B: 2 bersisian dgn 4 (not edge) Æ 2*(-1) + 4*(1)= 2 „

Lakukan tresholding untuk memperjelas mana bagian sisi dan mana yang bukan „ Ambil treshold = 90, maka Kasus A akan dianggap sebagai sisi, Kasus B tidak dianggap sisi DC - OKT 2003

28

II. Contoh edge detection -1

-2

-1

-1

0

1

0

0

0

-2

0

2

1

2

1

-1

0

1

Sobel

-1

-1

-1

-1

0

1

0

0

0

-1

0

1

1

1

1

-1

0

1

Prewitt (a)Gambar awal, (b) hasil dari Prewitt Mask, (c) thresholding dari (b) pada nilai > 25 (d) thresholding dari (b) pada nilai >25 dan < 25 (black) DC - OKT 2003

29